Lexikon · M
MLOps
Kurzantwort
MLOps bezeichnet die Arbeitsweise, mit der Teams Modelle des maschinellen Lernens dauerhaft betreiben: Daten, Code und Modelle versionieren, Abläufe automatisieren, die Qualität im Betrieb überwachen und bei Bedarf neu trainieren. Der Begriff überträgt die Ideen von DevOps auf maschinelles Lernen1.

Mit dem ersten guten Testergebnis fängt die Arbeit an einem Modell erst an. D. Sculley und seine Mitautoren haben 2015 auf der Konferenz NIPS beschrieben, dass reale Systeme mit maschinellem Lernen hohe laufende Wartungskosten verursachen, und Ursachen benannt: versteckte Rückkopplungen, Abhängigkeiten von Daten, verflochtene Komponenten und Veränderungen in der Welt draußen2. MLOps fasst die Verfahren zusammen, mit denen Teams diese Kosten im Griff behalten. Google beschreibt es als Zusammenführung von Entwicklung und Betrieb eines ML-Systems, mit Automatisierung und Überwachung in jedem Schritt1.
Modelle altern ohne Codeänderung
Ein gewöhnliches Programm rechnet morgen genauso wie heute, solange niemand den Code ändert. Bei einem Modell ist das anders: Es kann schlechter werden, weil sich die Daten, auf die es trifft, von seinen Trainingsdaten entfernen. Google nennt deutliche Änderungen in den statistischen Eigenschaften der Daten als Anlass für ein neues Training und die Überwachung als Mittel, um Leistungsverlust und veraltete Modelle zu erkennen1. Die Prüfung der Daten unterscheidet dabei zwei Fälle: Passt das Format nicht mehr, hält die Pipeline an; verschieben sich nur die Werte, startet ein neues Training1.
Drei Reifegrade nach Google
Die Anleitung aus der Google-Cloud-Dokumentation ordnet MLOps in drei Stufen1:
- Stufe 0: Alles läuft von Hand. Data Scientists übergeben ein fertiges Modell an die Technik, neue Versionen kommen nur wenige Male im Jahr.
- Stufe 1: Die Trainingspipeline ist automatisiert. Das Modell wird fortlaufend neu trainiert, Daten und Modell werden automatisch geprüft, Metadaten zu jedem Lauf gespeichert. Ausgerollt wird die ganze Pipeline.
- Stufe 2: Zusätzlich baut, testet und verteilt ein CI/CD-System die Pipelines selbst, sodass neue Ideen zu Merkmalen oder Architektur schnell in Betrieb gehen.
Ein optionaler Baustein ab Stufe 1 ist der Feature Store, ein zentraler Speicher, der Merkmale für Training und Betrieb einheitlich bereitstellt1.
Versionen und der Weg zurück
Jede Modellversion braucht eine eindeutige Kennung und eine Spur zu den Daten, aus denen sie entstanden ist. Die Modellverwaltung von MLflow zählt bei jeder Registrierung die Versionsnummer hoch und verknüpft jede Version mit dem Trainingslauf, seinen Daten und Parametern3. Ein Alias wie "champion" zeigt auf die Version im Einsatz; Anwendungen sprechen den Alias an und merken nichts, wenn er auf eine andere Version umgestellt wird, auch zurück auf die vorige3.
Der Schritt davor, ein fertiges Modell überhaupt erreichbar zu machen, heißt Model Deployment. Wer für Modelle im Betrieb geradesteht und nach welchen Regeln sie laufen, legt die KI-Governance fest.
Den Betrieb von Modellen übernehmen auch Dienstleister, für deren Auswahl es eigene Kriterien gibt. SEO NW, der Betreiber von ki-blog.de, bietet selbst KI- und GEO-Dienste an.
Häufige Fragen
Brauche ich MLOps, wenn ich nur ein Sprachmodell über eine API nutze?
Die Pipeline für das eigene Training entfällt. Feste Testfälle und ein Protokoll, welche Modellversion welche Antwort gegeben hat, bleiben sinnvoll, denn Anbieter wie OpenAI führen eine Liste abgekündigter Modelle mit Abschaltdatum und empfohlenem Ersatz4. Wie du solche Testfälle anlegst, zeigt [Prompts testen](/anleitungen/prompts-testen).
Quellen
Stand:
- Google Cloud: MLOps: Continuous delivery and automation pipelines in machine learning, abgerufen am 22.11.2026. zurück
- D. Sculley, Gary Holt, Daniel Golovin u. a. (NIPS 2015): Hidden Technical Debt in Machine Learning Systems, Stand 2015, abgerufen am 22.11.2026. zurück
- MLflow (Dokumentation): MLflow Model Registry, abgerufen am 22.11.2026. zurück
- OpenAI: Deprecations, abgerufen am 22.11.2026. zurück



